Ist es möglich, das, was man sieht, aus den Signalen des Gehirns zu rekonstruieren? Die Antwort lautet: Nein, noch nicht. Forscherinnen und Forscher der EPFL haben jedoch einen Schritt in diese Richtung unternommen, indem sie einen neuen Algorithmus zur Erstellung von Modellen künstlicher neuronaler Netze eingeführt haben, die die Dynamik des Gehirns mit beeindruckender Genauigkeit erfassen.
Dieser neue Algorithmus für maschinelles Lernen mit dem Namen CEBRA (ausgesprochen Zebra) ist mathematischen Ursprungs und lernt die verborgene Struktur des neuronalen Codes.
Um die latente, d. h. verborgene Struktur des visuellen Systems von Mäusen zu erlernen, kann CEBRA nach einer anfänglichen Lernphase, in der die Gehirnsignale mit den Eigenschaften des Films abgeglichen werden, neue Filmbilder direkt aus den Signalen des Gehirns allein vorhersagen.
Die Informationen, die CEBRA aus den neuronalen Rohdaten lernt, können nach dem Decoding Learning - einer Methode, die bei Gehirn-Maschine-Schnittstellen (BMI) eingesetzt wird - getestet werden und haben gezeigt, dass sie anhand des Modells dekodieren können, was eine Maus sieht, wenn sie einen Film anschaut. Doch CEBRA ist nicht auf die Neuronen der Sehrinde oder gar auf die Daten des Gehirns beschränkt. Ihre Studie zeigt auch, dass es die Armbewegungen von Primaten vorhersagen und die Positionen von Ratten reproduzieren kann, wenn sie frei in einer Arena laufen. Die Studie wurde in der Zeitschrift Nature veröffentlicht.
"Diese Arbeit ist nur ein Schritt auf dem Weg zu theoriebasierten Algorithmen, die in der Neurotechnologie benötigt werden, um hochleistungsfähige MCIs zu ermöglichen", sagt Mackenzie Mathis, Leiterin des Bertarelli-Lehrstuhls für integrative Neurowissenschaft an der EPFL und leitende Forscherin der Studie.
Die für die Videodekodierung verwendeten Daten waren über das Allen Institute in Seattle frei zugänglich. Die Signale des Gehirns werden entweder direkt durch die Messung der Gehirnaktivität mittels Elektrodensonden gewonnen, die in den visuellen Kortexbereich des Mäusegehirns eingeführt werden, oder durch optische Sonden, bei denen genetisch veränderte Mäuse verwendet werden, die so gestaltet sind, dass aktivierte Neuronen grün leuchten. Während der Lernphase lernt CEBRA, die Gehirnaktivität mit bestimmten Bildern abzugleichen. CEBRA ist mit weniger als 1% der Neuronen in der Sehrinde leistungsfähig, wenn man bedenkt, dass dieses Hirnareal bei Mäusen aus etwa 0,5 Millionen Neuronen besteht.
"Konkret beruht CEBRA auf dem Kontrastlernen, einer Technik, die lernt, hochdimensionale Daten in einem niedriger dimensionalen Raum, dem sogenannten latenten Raum, so anzuordnen oder zu integrieren, dass ähnliche Datenpunkte nahe beieinander liegen und unterschiedliche Datenpunkte weit voneinander entfernt sind", erklärt Mackenzie Mathis. "Diese Integration kann genutzt werden, um auf verborgene Beziehungen und Strukturen in den Daten zu schließen. Sie ermöglicht es den Forscherinnen und Forschern, neuronale Daten und Verhaltensetiketten, einschließlich gemessener Bewegungen, abstrakter Etiketten wie "Belohnung" oder sensorischer Merkmale wie Farben oder Texturen von Bildern, gemeinsam zu betrachten."
"CEBRA zeichnet sich im Vergleich zu anderen Algorithmen durch die Rekonstruktion synthetischer Daten aus, was für den Vergleich von Algorithmen unerlässlich ist", sagt Steffen Schneider, der Co-Erstautor des Artikels. "Seine Stärken liegen auch in seiner Fähigkeit, Daten zwischen verschiedenen Modalitäten zu kombinieren, z. B. Filmeigenschaften und Gehirndaten. CEBRA ermöglicht es, Nuancen einzugrenzen, wie z.B. Änderungen an den Daten, die davon abhängen, wie sie erhoben wurden."
"Das Ziel von CEBRA ist es, die Struktur komplexer Systeme zu enthüllen. Und da das Gehirn die komplexeste Struktur in unserem Universum ist, ist es der ultimative Testraum für CEBRA. Es kann uns auch Aufschluss darüber geben, wie das Gehirn Informationen verarbeitet, und könnte eine Plattform sein, um neue Prinzipien in den Neurowissenschaften zu entdecken, indem Daten von Tieren oder sogar Arten kombiniert werden", sagt Mackenzie Mathis, "Dieser Algorithmus ist nicht auf die neurowissenschaftliche Forschung beschränkt, da er auf viele Datensätze angewendet werden kann, die zeitliche oder gemeinsame Informationen beinhalten, einschließlich Tierverhalten und Genexpressionsdaten. Somit sind die potenziellen klinischen Anwendungen interessant".
Referenzen
https://news.epfl.ch/news/engineering-molecular-interactions-with-machine-le/
https://actu.epfl.ch/news/deeplabcut-live-real-time-marker-less-motion-captu/
